الگوهای و شیوه های یادگیری عمیق

الگوهای و شیوه های یادگیری عمیق یک شیرجه عمیق در ایجاد برنامه های موفقیت آمیز یادگیری عمیق است. با استفاده از الگوهای و شیوه های اثبات شده در پروژه های خود ، ساعت های آزمایش و خطا را صرفه جویی خواهید کرد. نمونه های کد آزمایش شده ، نمونه های دنیای واقعی و یک سبک روایت درخشان ، مفاهیم پیچیده را حتی ساده و جذاب می کند. در طول راه ، نکاتی را برای استقرار ، آزمایش و حفظ پروژه های خود دریافت خواهید کرد.

عنوان اصلی : Deep Learning Patterns and Practices

سرفصل های دوره :

01 قسمت 1. اصول یادگیری عمیق
02 فصل 1 طراحی یادگیری ماشین مدرن
03 فصل 1 تکامل در رویکردهای یادگیری ماشین
04 فصل 1 مراحل بعدی در یادگیری رایانه - قسمت 1
05 فصل 1 مراحل بعدی در یادگیری رایانه - قسمت 2
06 فصل 1 مزایای الگوهای طراحی
07 فصل 2 شبکه های عصبی عمیق
08 فصل 2 روش API متوالی
09 فصل 2 توابع فعال سازی
10 فصل 2 طبقه بندی باینری DNN
11 فصل 2 طبقه بندی کننده تصویر ساده
12 فصل 3 شبکه های عصبی و باقیمانده باقیمانده
13 فصل 3 تشخیص ویژگی
14 فصل 3 طراحی Convnet برای CNN
15 فصل 3 شبکه VGG
16 فصل 3 معماری
17 فصل 3 عادی سازی دسته
18 فصل 4 اصول آموزش
19 فصل 4 تقسیم مجموعه داده
20 فصل 4 عادی سازی داده ها
21 فصل 4 اعتبار سنجی و بیش از حد
22 فصل 4 همگرایی
23 فصل 4 Hyperparameters
24 فصل 4 نرخ یادگیری
25 فصل 4 ثابت
26 فصل 4 تغییر مقیاس
27 فصل 4 مجموعه داده های دیسک خام
28 فصل 4 تغییر اندازه
29 قسمت 2. الگوی طراحی اساسی
30 فصل 5 الگوی طراحی رویه
31 فصل 5 مؤلفه ساقه
32 فصل 5 resnet
33 فصل 5 پیش سیستم
34 فصل 5 مؤلفه کار
35 فصل 5 فراتر از دید رایانه - NLP
36 فصل 6 شبکه های عصبی گسترده و گسترده
37 فصل 6 Inception V1 ماژول
38 فصل 6 Inception V2 - Consolutions Factoring
39 فصل 6 حل عادی
40 فصل 6 Resnext - شبکه های عصبی باقیمانده گسترده
41 فصل 6 فراتر از دید رایانه - داده های ساختاری
42 فصل 7 الگوهای اتصال جایگزین
43 فصل 7 بلوک متراکم
44 فصل 7 xception - شروع شدید
45 فصل 7 جریان خروج از Xception
46 فصل 7 SE -NET - فشار و تحریک
47 فصل 8 شبکه های عصبی Convolutional موبایل
48 فصل 8 ساقه
49 فصل 8 Mobilenet V2
50 فصل 8 Squeezenet
51 فصل 8 طبقه بندی کننده
52 فصل 8 Shufflenet V1
53 فصل 8 یادگیرنده
54 فصل 8 استقرار
55 فصل 9 AutoEncoders
56 فصل 9 اتوآنمان های همخوانی
57 فصل 9 فوق العاده وضوح
58 فصل 9 وظایف بهانه
59 قسمت 3. کار با خطوط لوله
60 فصل 10 تنظیم Hyperparameter
61 فصل 10 فرضیه قرعه کشی
62 فصل 10 اصول جستجوی Hyperparameter
63 فصل 10 جستجوی تصادفی
64 فصل 10 برنامه ریزی نرخ یادگیری
65 فصل 10 منظم سازی
66 فصل 11 یادگیری انتقال
67 فصل 11 طبقه بندی جدید
68 فصل 11 TF HUB Models Preuilt
69 فصل 11 وظایف مجزا
70 فصل 12 توزیع داده ها
71 فصل 12 از توزیع
72 فصل 12 آموزش به عنوان CNN
73 فصل 13 خط لوله داده
74 فصل 13 قالب های فشرده و خام
75 فصل 13 قالب HDF5
76 فصل 13 قالب Tfrecord
77 فصل 13 تغذیه داده ها
78 فصل 13 پردازش داده ها
79 فصل 13 پیش پردازش با TF گسترش یافته
80 فصل 13 افزایش داده ها
81 فصل 14 خط لوله آموزش و استقرار
82 فصل 14 تغذیه مدل با tf.data.dataset
83 فصل 14 تغذیه مدل با TFX
84 فصل 14 برنامه ریزان آموزش
85 فصل 14 ارزیابی مدل
86 فصل 14 ارزیابی TFX
87 فصل 14 پیش بینی های خدمت
88 فصل 14 قطعات خط لوله TFX برای استقرار
89 فصل 14 تکامل در طراحی خط لوله تولید